當前位置 主頁 > 服務器問題 > Linux/apache問題 > 最大化 縮小

    pytorch 自定義卷積核進行卷積操作方式

    欄目:Linux/apache問題 時間:2020-01-01 00:29

    一 卷積操作:在pytorch搭建起網絡時,大家通常都使用已有的框架進行訓練,在網絡中使用最多就是卷積操作,最熟悉不過的就是

    torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

    通過上面的輸入發現想自定義自己的卷積核,比如高斯核,發現是行不通的,因為上面的參數里面只有卷積核尺寸,而權值weight是通過梯度一直更新的,是不確定的。

    二 需要自己定義卷積核的目的:目前是需要通過一個VGG網絡提取特征特后需要對其進行高斯卷積,卷積后再繼續輸入到網絡中訓練。

    三 解決方案。使用

    torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)

    這里注意下weight的參數。與nn.Conv2d的參數不一樣

    可以發現F.conv2d可以直接輸入卷積的權值weight,也就是卷積核。那么接下來就要首先生成一個高斯權重了。這里不直接一步步寫了,直接輸入就行。

    kernel = [[0.03797616, 0.044863533, 0.03797616],
         [0.044863533, 0.053, 0.044863533],
         [0.03797616, 0.044863533, 0.03797616]]

    四 完整代碼

    class GaussianBlur(nn.Module):
      def __init__(self):
        super(GaussianBlur, self).__init__()
        kernel = [[0.03797616, 0.044863533, 0.03797616],
             [0.044863533, 0.053, 0.044863533],
             [0.03797616, 0.044863533, 0.03797616]]
        kernel = torch.FloatTensor(kernel).unsqueeze(0).unsqueeze(0)
        self.weight = nn.Parameter(data=kernel, requires_grad=False)
     
      def forward(self, x):
        x1 = x[:, 0]
        x2 = x[:, 1]
        x3 = x[:, 2]
        x1 = F.conv2d(x1.unsqueeze(1), self.weight, padding=2)
        x2 = F.conv2d(x2.unsqueeze(1), self.weight, padding=2)
        x3 = F.conv2d(x3.unsqueeze(1), self.weight, padding=2)
        x = torch.cat([x1, x2, x3], dim=1)
        return x

    這里為了網絡模型需要寫成了一個類,這里假設輸入的x也就是經過網絡提取后的三通道特征圖(當然不一定是三通道可以是任意通道)

    如果是任意通道的話,使用torch.expand()向輸入的維度前面進行擴充。如下:

      def blur(self, tensor_image):
        kernel = [[0.03797616, 0.044863533, 0.03797616],
            [0.044863533, 0.053, 0.044863533],
            [0.03797616, 0.044863533, 0.03797616]]
        
        min_batch=tensor_image.size()[0]
        channels=tensor_image.size()[1]
        out_channel=channels
        kernel = torch.FloatTensor(kernel).expand(out_channel,channels,3,3)
        self.weight = nn.Parameter(data=kernel, requires_grad=False)
     
        return F.conv2d(tensor_image,self.weight,1,1)

    以上這篇pytorch 自定義卷積核進行卷積操作方式就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支持IIS7站長之家。

    下一篇:沒有了
青海十一选五开奖数据